基于深度神經(jīng)網(wǎng)絡(luò)的sar紋理圖像分類方法
【專利摘要】本發(fā)明提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的SAR紋理圖像分類方法,主要解決已有技術(shù)應(yīng)用在樣本數(shù)量較大,特征維數(shù)較多的SAR紋理圖像分類準(zhǔn)確率低的問題。其實(shí)現(xiàn)步驟是:(1)提取SAR圖像的低級特征;(2)通過深度神經(jīng)網(wǎng)絡(luò)的第一層RBF神經(jīng)網(wǎng)絡(luò)對SAR圖像訓(xùn)練低級特征,得到圖像的高級特征;(3)通過深度神經(jīng)網(wǎng)絡(luò)的第二層RBM神經(jīng)網(wǎng)絡(luò)訓(xùn)練高級特征,得到圖像的更高級特征;(4)通過深度神經(jīng)網(wǎng)絡(luò)的第三層RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練更高級特征,得到圖像紋理分類特征;(5)將圖像測試樣本的紋理分類特征與測試樣本標(biāo)簽對比,調(diào)節(jié)深度神經(jīng)網(wǎng)絡(luò)各層參數(shù),得到最優(yōu)測試分類準(zhǔn)確率。本發(fā)明分類準(zhǔn)確率高,可用于目標(biāo)識別或目標(biāo)跟蹤。
【專利說明】基于深度神經(jīng)網(wǎng)絡(luò)的SAR紋理圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】,特別涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的多樣本、多類 另Ij、特征復(fù)雜的SAR紋理圖像分類方法,可用于目標(biāo)識別,目標(biāo)跟蹤等領(lǐng)域。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)SAR在地球科學(xué)遙感領(lǐng)域的應(yīng)用非常廣泛。SAR紋理圖像分類是模 式識別在SAR圖像處理中的應(yīng)用,它將圖像數(shù)據(jù)從二維灰度空間轉(zhuǎn)換到目標(biāo)模式空間,其 分類的結(jié)果是根據(jù)圖像的不同屬性將其劃分為多個(gè)不同類別的子區(qū)域。SAR圖像的可靠分 類特征主要是灰度特征和紋理特征,但是在實(shí)際應(yīng)用中利用灰度特征進(jìn)行分類得到的結(jié)果 并不是很理想,因此好的紋理特征成為提高分類精度的重要手段。SAR圖像中含有特別豐富 的紋理信息,不同的地表粗糙程度代表不同的紋理特征,從SAR圖像中提取有效的紋理信 息,成為了合成孔徑雷達(dá)識別地物的一項(xiàng)關(guān)鍵技術(shù)。
[0003] 傳統(tǒng)的獲取圖像紋理特征的主要方法有基于幾何知識的方法、基于結(jié)構(gòu)的方法、 基于統(tǒng)計(jì)學(xué)的方法、基于信號處理的方法和基于建模的方法。目前的熱點(diǎn)方法是基于統(tǒng)計(jì) 學(xué)的紋理提取方法。紋理圖像的主要分類算法有距離度量法、人工神經(jīng)網(wǎng)絡(luò)分類算法和支 撐矢量機(jī),其中人工神經(jīng)網(wǎng)絡(luò)分類算法在樣本數(shù)量很大時(shí)能夠獲得較高的分類準(zhǔn)確率。
[0004] SAR紋理圖像分類是利用傳統(tǒng)機(jī)器學(xué)習(xí)的方法對其紋理特征進(jìn)行分類。但是傳統(tǒng) 機(jī)器學(xué)習(xí)和信號處理方法是僅含單層非線性變換的淺層學(xué)習(xí)結(jié)構(gòu)。淺層模型的一個(gè)共性是 僅含單個(gè)將原始輸入信號轉(zhuǎn)換到特定問題空間特征的簡單結(jié)構(gòu)。深度學(xué)習(xí)通過學(xué)習(xí)一種深 層非線性網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)復(fù)雜函數(shù)逼近,表征輸入數(shù)據(jù)的分布式表示,并展現(xiàn)了強(qiáng)大的從少 數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。
[0005] 深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示,即屬性類別或特征表示, 以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)可通過多層映射單元和逐層學(xué)習(xí)的算法獲取輸入 數(shù)據(jù)的主要結(jié)構(gòu)信息。
[0006] 近年來,隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展,大量的文本,語音,圖像,視頻等數(shù)據(jù)與日俱 增,大量的數(shù)據(jù)成為有價(jià)值的信息資源,信息成為商業(yè)運(yùn)作的核心。數(shù)據(jù)挖掘的核心原理是 通過充分利用計(jì)算機(jī)的先進(jìn)技術(shù)從大量的復(fù)雜的數(shù)據(jù)中攫取出其本質(zhì)特征,從而可以充分 利用其中有價(jià)值的數(shù)據(jù)信息。數(shù)據(jù)挖掘包含很多方法,其中非常重要的一種是分類。分類的 方法同樣在機(jī)器學(xué)習(xí),人工智能以及模式識別等相關(guān)科技領(lǐng)域已然成為當(dāng)前受到關(guān)注的方 法。它可以從內(nèi)容豐富、蘊(yùn)藏大量信息的數(shù)據(jù)庫中提取描述重要數(shù)據(jù)類的模型,用于做出智 能決策,所以應(yīng)用非常廣泛。分類的目的是學(xué)習(xí)到一個(gè)分類函數(shù)或分類模型,通過該分類模 型,分析訓(xùn)練數(shù)據(jù)表現(xiàn)出的特性,描述每個(gè)類的特征,根據(jù)類的描述對測試數(shù)據(jù)進(jìn)行分類。
【發(fā)明內(nèi)容】
[0007] 本發(fā)明的目的在于針對上述已有技術(shù)的不足,提出一種深度神經(jīng)網(wǎng)絡(luò)的SAR紋理 圖像分類方法,以獲得較高的分類準(zhǔn)確率。
[0008] 本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的:
[0009] 一.技術(shù)原理
[0010] 徑向基函數(shù)RBF是一個(gè)取值僅僅依賴于離原點(diǎn)距離的實(shí)值函數(shù),S卩O(X)= 〇 ( Il X Il ),或者是到任意中心點(diǎn)C的距離,即〇 (X,C) = 〇( Il X-C Il ),標(biāo)準(zhǔn)的距離一般使 用歐氏距離。任意一個(gè)滿足〇 (X) = 〇 ( Il X Il )特性的函數(shù)〇都叫做徑向基函數(shù)RBF,這 種徑向基函數(shù)RBF可以作為神經(jīng)網(wǎng)絡(luò)隱含層的核函數(shù),完成神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近等功能。
[0011] RBF神經(jīng)網(wǎng)絡(luò)由三層組成,一個(gè)輸入層,一個(gè)隱含層和一個(gè)輸出層。RBF神經(jīng)網(wǎng)絡(luò) 的基本思想是:用徑向基函數(shù)RBF作為"隱"單元的基函數(shù)構(gòu)成隱含層空間,先將數(shù)據(jù)非線 性映射到一個(gè)高維度的空間中;然后在高維空間用線性模型來做回歸或者分類;再將輸入 向量直接映射到隱含層的空間。RBF神經(jīng)網(wǎng)絡(luò)可以以任意準(zhǔn)確率逼近任意連續(xù)函數(shù)。目前 廣泛應(yīng)用于非線性函數(shù)逼近、數(shù)據(jù)處理、模式識別、圖像分類、系統(tǒng)建模等。
[0012] 受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)由兩層組成,一個(gè)隱含單元和一個(gè)可視單元。隱含 單元和可視單元包含一定數(shù)量的神經(jīng)元。受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)是一種模擬神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)的隨機(jī)概率模型。隱含單元和可視單元自身的所有神經(jīng)元之間都不連接,但隱含單 元和可視單元之間的所有神經(jīng)元是完全連接的。受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo) 師學(xué)習(xí)的特征提取模型,由于它是基于能量的模型,所以能夠提取到較優(yōu)的特征,可通過對 比差異算法CD算法來訓(xùn)練受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)。
[0013] 傳統(tǒng)的SAR紋理圖像分類方法是通過淺層學(xué)習(xí)結(jié)構(gòu),學(xué)習(xí)到的特征比較低級,本 發(fā)明的出發(fā)點(diǎn)是拓展深度學(xué)習(xí)應(yīng)用,著眼于如何充分合理地利用深度學(xué)習(xí)在增強(qiáng)傳統(tǒng)學(xué)習(xí) 算法RBF神經(jīng)網(wǎng)絡(luò)在SAR紋理圖像地物分類問題的性能。
[0014] 二?技術(shù)方案
[0015] 根據(jù)上述原理,本發(fā)明的技術(shù)方案包括以下步驟:
[0016] 步驟1,定義深度神經(jīng)網(wǎng)絡(luò)包括三層結(jié)構(gòu),其中第一層與第三層均是由一個(gè)輸入單 元,一個(gè)隱含單元和一個(gè)輸出單元組成的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò);第二層是由一個(gè)隱含 單元和一個(gè)可視單元組成的受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò);
[0017] 步驟2,通過學(xué)習(xí) SAR圖像訓(xùn)練樣本的紋理分類特征,訓(xùn)練出所述的深度神經(jīng)網(wǎng) 絡(luò):
[0018] (2a)選取包含城鎮(zhèn),農(nóng)田,山脈三類地物的SAR圖像作為第一個(gè)實(shí)驗(yàn)對象,選取包 含十三類紋理實(shí)物的SAR圖像texture作為第二個(gè)實(shí)驗(yàn)對象,提取這兩個(gè)實(shí)驗(yàn)對象訓(xùn)練樣 本的紋元特征和灰度特征,即實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征,然后通過對該低級特征進(jìn)行 訓(xùn)練,得到深度神經(jīng)網(wǎng)絡(luò);
[0019] (2b)將實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征作為深度神經(jīng)網(wǎng)絡(luò)中第一層輸入單元的輸 入特征,通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對低級特征進(jìn)行訓(xùn)練,得到該RBF神經(jīng)網(wǎng)絡(luò)中隱含單 元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第一層輸出,即實(shí)驗(yàn)對象的高級特征,完成深度神經(jīng)網(wǎng)絡(luò)第 一層的訓(xùn)練;
[0020] (2c)通過受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的高級特征進(jìn)行訓(xùn)練,得到該 RBM神經(jīng)網(wǎng)絡(luò)中隱含單元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第二層輸出,即實(shí)驗(yàn)對象的更高級特 征,完成深度神經(jīng)網(wǎng)絡(luò)第二層的訓(xùn)練;
[0021] (2d)通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的更高級特征進(jìn)行訓(xùn)練,得到該 RBF神經(jīng)網(wǎng)絡(luò)輸出單元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第三層輸出,即實(shí)驗(yàn)對象訓(xùn)練樣本的紋 理分類特征,完成深度神經(jīng)網(wǎng)絡(luò)第三層的訓(xùn)練;
[0022] 步驟3,利用步驟2訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象測試樣本進(jìn)行分類:
[0023] (3a)提取實(shí)驗(yàn)對象測試樣本的低級特征,利用深度神經(jīng)網(wǎng)絡(luò)第一層徑向基函數(shù) RBF神經(jīng)網(wǎng)絡(luò)對該低級特征進(jìn)行訓(xùn)練,得到該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的輸出,即實(shí)驗(yàn)對象測 試樣本的高級特征,利用矩陣實(shí)驗(yàn)室MATLAB自帶的SimO函數(shù),預(yù)測出該高級特征的類別 標(biāo)簽;
[0024] (3b)將預(yù)測出實(shí)驗(yàn)對象測試樣本高級特征的類別標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣 本類別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對SAR 紋理圖像的分類;
[0025] (3c)將實(shí)驗(yàn)對象測試樣本的高級特征通過深度神經(jīng)網(wǎng)絡(luò)第二層和第三層的訓(xùn)練, 得到實(shí)驗(yàn)對象測試樣本的紋理分類特征,利用矩陣實(shí)驗(yàn)室MATLAB自帶的SimO函數(shù),預(yù)測 出該測試樣本紋理分類特征的標(biāo)簽;
[0026] (3d)將預(yù)測出實(shí)驗(yàn)對象測試樣本地物分類特征的標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣 本類別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用深度神經(jīng)網(wǎng)絡(luò)對SAR紋理圖像 的分類。
[0027] 本發(fā)明與已有技術(shù)相比,具有以下優(yōu)點(diǎn):
[0028] 1.本發(fā)明由于利用了 SAR圖像的低級特征,不僅提高了深度神經(jīng)網(wǎng)絡(luò)分類的效 率,而且為提高深度神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率提供了很好的基礎(chǔ)特征。
[0029] 2.本發(fā)明由于利用了深度神經(jīng)網(wǎng)絡(luò)逐層學(xué)習(xí)的優(yōu)勢,提取到SAR圖像的層次特 征,使其更好地逼近圖像的本質(zhì)特征,克服了已有技術(shù)逼近圖像特征能力有限的缺點(diǎn)。
[0030] 3.本發(fā)明由于利用了深度學(xué)習(xí)中"逐層初始化"的方法,通過對SAR圖像的低級特 征進(jìn)行訓(xùn)練,不僅降低了時(shí)間復(fù)雜度,還可以避免出現(xiàn)梯度擴(kuò)散的問題。
[0031] 實(shí)驗(yàn)結(jié)果表明,本發(fā)明能夠有效的應(yīng)用于SAR紋理圖像的分類問題,獲得了比已 有技術(shù)支撐矢量機(jī)SVM和徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)更高的魯棒性和分類準(zhǔn)確率,可進(jìn)一步 應(yīng)用于特征更復(fù)雜,類別更多的SAR紋理圖像的分類問題。
【專利附圖】
【附圖說明】
[0032] 圖1是本發(fā)明的實(shí)現(xiàn)流程圖;
[0033] 圖2是本發(fā)明中的深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖;
[0034] 圖3是本發(fā)明仿真使用的各類實(shí)物的單個(gè)訓(xùn)練樣本圖;
[0035] 圖4是本發(fā)明仿真使用的各類實(shí)物的單個(gè)測試樣本圖。
【具體實(shí)施方式】
[0036] 參照圖1,對本發(fā)明的實(shí)施步驟詳述如下:
[0037] 步驟1,定義一個(gè)由三層結(jié)構(gòu)構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)。
[0038] 如圖2所示,本實(shí)例定義的深度神經(jīng)網(wǎng)絡(luò)包括三層結(jié)構(gòu),其中第一層與第三層均 是由一個(gè)輸入單元,一個(gè)隱含單元和一個(gè)輸出單元組成的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò);第二 層是由一個(gè)隱含單元和一個(gè)可視單元組成的受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)。
[0039] 步驟2,通過學(xué)習(xí) SAR圖像訓(xùn)練樣本的紋理分類特征,訓(xùn)練出所述的深度神經(jīng)網(wǎng) 絡(luò)。
[0040] (2a)提取SAR圖像訓(xùn)練樣本的紋元特征和灰度特征,即SAR圖像訓(xùn)練樣本的低級 特征;
[0041] 從SAR圖像地物數(shù)據(jù)庫中選取包含城鎮(zhèn),農(nóng)田,山脈三類地物的SAR圖像作為第一 個(gè)實(shí)驗(yàn)對象,從USC-SIPI數(shù)據(jù)庫中選取包含十三類紋理實(shí)物的SAR圖像texture作為第二 個(gè)實(shí)驗(yàn)對象,其中的十三類紋理實(shí)物分別是:草地、樹皮、稻草、人字形編織、粗紡毛織物、小 牛皮壓、沙灘、水、木紋、拉菲亞樹、豬皮、磚墻、塑料泡沫。texture每類實(shí)物原圖的大小為 1024*1024,將每類實(shí)物原圖平均分割成大小為64*64的圖像塊,每類中隨機(jī)選取128個(gè)作 為訓(xùn)練樣本,其余128個(gè)樣本作為測試樣本。
[0042] texture各類實(shí)物的單個(gè)訓(xùn)練樣本如圖3所示,其中圖3(a)_3(m)分別代表草地、 樹皮、稻草、人字形編織、粗紡毛織物、小牛皮壓、沙灘、水、木紋、拉菲亞樹、豬皮、磚墻、塑料 泡沫十三類紋理實(shí)物。
[0043] texture各類實(shí)物的單個(gè)測試樣本如圖4所示,其中圖4(a)-4 (m)分別代表草地、 樹皮、稻草、人字形編織、粗紡毛織物、小牛皮壓、沙灘、水、木紋、拉菲亞樹、豬皮、磚墻、塑料 泡沫十三類紋理實(shí)物。
[0044] 提取實(shí)驗(yàn)對象紋元特征的實(shí)施步驟詳述如下:
[0045] (2al)用遍歷的方法對每個(gè)64*64的訓(xùn)練樣本取9*9的圖像塊,每個(gè)訓(xùn)練樣本取出 56*56個(gè)塊,將9*9的塊變成81*1的列向量,則每個(gè)訓(xùn)練樣本變成81*3136的矩陣;
[0046] (2a2)隨機(jī)生成一個(gè)50*81的隨機(jī)矩陣rand,將各類地物的訓(xùn)練樣本矩陣分別乘 以隨機(jī)矩陣rand,得到50*3136大小的矩陣;
[0047] (2a3)每類訓(xùn)練樣本的50*3136矩陣用K均值聚類方法得到50個(gè)聚類中心,即大 小為50*50的矩陣,將十三類訓(xùn)練樣本的聚類中心組成一個(gè)650*50的中心矩陣;
[0048] (2a4)統(tǒng)計(jì)每類每個(gè)樣本與中心矩陣的最小歐氏距離,得到訓(xùn)練樣本的統(tǒng)計(jì)直方 圖,即紋元特征;
[0049] (2b)通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征進(jìn)行訓(xùn)練,完 成深度神經(jīng)網(wǎng)絡(luò)第一層的訓(xùn)練:
[0050] (2bl)將實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征作為矩陣實(shí)驗(yàn)室MATLAB自帶的徑向基函 數(shù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)NEWRB ()的輸入單元;
[0051] (2b2)用K均值聚類方法初始化徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的歐式距離中心,隨機(jī)初 始化徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差,徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)NEWRB ()根據(jù) 均方差和歐式距離中心自動(dòng)確定該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的結(jié)點(diǎn)數(shù)目;
[0052] (2b3)通過梯度下降法的多次迭代,調(diào)節(jié)徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的隱含單元的 結(jié)點(diǎn)數(shù)目,使得徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差最小,得到該RBF神經(jīng)網(wǎng)絡(luò)中隱含單元的 輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第一層輸出,即實(shí)驗(yàn)對象的高級特征,完成深度神經(jīng)網(wǎng)絡(luò)第一層 徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練;
[0053] (2c)通過受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的高級特征進(jìn)行訓(xùn)練,完成深 度神經(jīng)網(wǎng)絡(luò)第二層的訓(xùn)練:
[0054] (2cl)將實(shí)驗(yàn)對象的高級特征作為受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)可視單元的輸入 特征;
[0055] (2c2)隨機(jī)初始化受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣W和偏置值b,通過對 比差異⑶算法訓(xùn)練權(quán)值矩陣W和偏置值b ;
[0056] (2c3)通過吉布斯采樣算法的多次迭代,優(yōu)化權(quán)值矩陣W和偏置值b,得到受限玻 爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)中隱含單元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第二層輸出,即實(shí)驗(yàn)對象 的更高級特征,完成受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練;
[0057] (2d)通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的更高級特征進(jìn)行訓(xùn)練,完成深度 神經(jīng)網(wǎng)絡(luò)第三層的訓(xùn)練:
[0058] (2dl)將實(shí)驗(yàn)對象的更高級特征作為矩陣實(shí)驗(yàn)室MATLAB自帶的徑向基函數(shù)RBF神 經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)NEWRBO的輸入單元;
[0059] (2d2)用K均值聚類方法初始化徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的歐式距離中心,隨機(jī)初 始化徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差,徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)NEWRB ()根據(jù) 均方差和歐式距離中心自動(dòng)確定該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的結(jié)點(diǎn)數(shù)目;
[0060] (2d3)通過梯度下降法的多次迭代,調(diào)節(jié)徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的隱含單元的 結(jié)點(diǎn)數(shù)目,使得徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差最小,得到該RBF神經(jīng)網(wǎng)絡(luò)輸出單元的輸 出,作為深度神經(jīng)網(wǎng)絡(luò)的第三層輸出,即實(shí)驗(yàn)對象訓(xùn)練樣本的紋理分類特征,完成深度神經(jīng) 網(wǎng)絡(luò)第三層徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
[0061] 步驟3,利用步驟2訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象測試樣本進(jìn)行分類。
[0062] (3a)提取實(shí)驗(yàn)對象測試樣本的低級特征,利用深度神經(jīng)網(wǎng)絡(luò)第一層徑向基函數(shù) RBF神經(jīng)網(wǎng)絡(luò)對該低級特征進(jìn)行訓(xùn)練,得到該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的輸出,即實(shí)驗(yàn)對象測 試樣本的高級特征,利用MATLAB的sim()函數(shù),預(yù)測出該高級特征的類別標(biāo)簽;
[0063] (3b)將預(yù)測出實(shí)驗(yàn)對象測試樣本高級特征的類別標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣 本類別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對SAR 紋理圖像的分類;
[0064] (3c)將實(shí)驗(yàn)對象測試樣本的高級特征通過深度神經(jīng)網(wǎng)絡(luò)第二層和第三層的訓(xùn)練, 得到實(shí)驗(yàn)對象測試樣本的紋理分類特征,利用矩陣實(shí)驗(yàn)室MATLAB自帶的SimO函數(shù),預(yù)測 出該測試樣本紋理分類特征的標(biāo)簽;
[0065] (3d)將預(yù)測出實(shí)驗(yàn)對象測試樣本地物分類特征的標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣 本類別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用深度神經(jīng)網(wǎng)絡(luò)對SAR紋理圖像 的分類。
[0066] 本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)來進(jìn)行驗(yàn)證。
[0067] 1 ?仿真條件:
[0068] 在 CPU 為 Core (TM) 22. 3GHZ、內(nèi)存 2G、WIND0WS XP 系統(tǒng)上使用 MatlabR2012a 進(jìn)行 仿真。
[0069] 2.仿真內(nèi)容與結(jié)果:
[0070] 仿真實(shí)驗(yàn)一,利用本發(fā)明的深度神經(jīng)網(wǎng)絡(luò)、支撐矢量機(jī)SVM和徑向基函數(shù)RBF神經(jīng) 網(wǎng)絡(luò)三種方法對第一個(gè)實(shí)驗(yàn)對象的紋元特征和灰度特征進(jìn)行訓(xùn)練,得到紋理分類特征,從 而實(shí)現(xiàn)分類。分類準(zhǔn)確率取20次實(shí)驗(yàn)的平均值,對比結(jié)果如表一所示。
[0071] 表一.三種方法分類精度對比表
[0072]
【權(quán)利要求】
1. 一種基于深度神經(jīng)網(wǎng)絡(luò)的SAR紋理圖像分類方法,包括以下步驟: (1) 定義深度神經(jīng)網(wǎng)絡(luò)包括三層結(jié)構(gòu),其中第一層與第三層均是由一個(gè)輸入單元,一個(gè) 隱含單元和一個(gè)輸出單元組成的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò);第二層是由一個(gè)隱含單元和一 個(gè)可視單元組成的受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò); (2) 通過學(xué)習(xí)SAR圖像訓(xùn)練樣本的紋理分類特征,訓(xùn)練出所述的深度神經(jīng)網(wǎng)絡(luò): (2a)選取包含城鎮(zhèn),農(nóng)田,山脈三類地物的SAR圖像作為第一個(gè)實(shí)驗(yàn)對象,選取包含 十三類紋理實(shí)物的SAR圖像texture作為第二個(gè)實(shí)驗(yàn)對象,提取這兩個(gè)實(shí)驗(yàn)對象訓(xùn)練樣本 的紋元特征和灰度特征,即實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征,然后通過對該低級特征進(jìn)行訓(xùn) 練,得到深度神經(jīng)網(wǎng)絡(luò); (2b)將實(shí)驗(yàn)對象訓(xùn)練樣本的低級特征作為深度神經(jīng)網(wǎng)絡(luò)中第一層輸入單元的輸入特 征,通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對低級特征進(jìn)行訓(xùn)練,得到該RBF神經(jīng)網(wǎng)絡(luò)中隱含單元的 輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第一層輸出,即實(shí)驗(yàn)對象的高級特征,完成深度神經(jīng)網(wǎng)絡(luò)第一層 的訓(xùn)練; (2c)通過受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的高級特征進(jìn)行訓(xùn)練,得到該RBM 神經(jīng)網(wǎng)絡(luò)中隱含單元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第二層輸出,即實(shí)驗(yàn)對象的更高級特征, 完成深度神經(jīng)網(wǎng)絡(luò)第二層的訓(xùn)練; (2d)通過徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象的更高級特征進(jìn)行訓(xùn)練,得到該RBF神 經(jīng)網(wǎng)絡(luò)輸出單元的輸出,作為深度神經(jīng)網(wǎng)絡(luò)的第三層輸出,即實(shí)驗(yàn)對象訓(xùn)練樣本的紋理分 類特征,完成深度神經(jīng)網(wǎng)絡(luò)第三層的訓(xùn)練; (3) 利用步驟(2)訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對實(shí)驗(yàn)對象測試樣本進(jìn)行分類: (3a)提取實(shí)驗(yàn)對象測試樣本的低級特征,利用深度神經(jīng)網(wǎng)絡(luò)第一層徑向基函數(shù)RBF神 經(jīng)網(wǎng)絡(luò)對該低級特征進(jìn)行訓(xùn)練,得到該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的輸出,即實(shí)驗(yàn)對象測試樣 本的高級特征,利用矩陣實(shí)驗(yàn)室MATLAB自帶的sim〇函數(shù),預(yù)測出該高級特征的類別標(biāo) 簽; (3b)將預(yù)測出實(shí)驗(yàn)對象測試樣本高級特征的類別標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣本類 別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)對SAR紋 理圖像的分類; (3c)將實(shí)驗(yàn)對象測試樣本的高級特征通過深度神經(jīng)網(wǎng)絡(luò)第二層和第三層的訓(xùn)練,得到 實(shí)驗(yàn)對象測試樣本的紋理分類特征,利用矩陣實(shí)驗(yàn)室MATLAB自帶的sim〇函數(shù),預(yù)測出該 測試樣本紋理分類特征的標(biāo)簽; (3d)將預(yù)測出實(shí)驗(yàn)對象測試樣本地物分類特征的標(biāo)簽與實(shí)驗(yàn)對象給定的測試樣本類 別標(biāo)簽進(jìn)行對比,統(tǒng)計(jì)標(biāo)簽相同的樣本個(gè)數(shù),完成利用深度神經(jīng)網(wǎng)絡(luò)對SAR紋理圖像的分 類。
2. 根據(jù)權(quán)利要求1所述的方法,其中步驟(2b)所述的通過RBF神經(jīng)網(wǎng)絡(luò)對低級特征進(jìn) 行訓(xùn)練,按如下步驟進(jìn)行: (2bl)將低級特征作為矩陣實(shí)驗(yàn)室MATLAB自帶的徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù) NEWRB ()的輸入單元; (2b2)用K均值聚類方法初始化徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的歐式距離中心,隨機(jī)初始化 徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差,徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)NEWRB ()根據(jù)均方 差和歐式距離中心自動(dòng)確定該RBF神經(jīng)網(wǎng)絡(luò)隱含單元的結(jié)點(diǎn)數(shù)目; (2b3)通過梯度下降法的多次迭代,調(diào)節(jié)徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的隱含單元的結(jié)點(diǎn) 數(shù)目,使得徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的均方差最小,完成徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
3.根據(jù)權(quán)利要求1所述的方法,其中步驟(2c)所述的通過受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng) 絡(luò)對實(shí)驗(yàn)對象的高級特征進(jìn)行訓(xùn)練,按如下步驟進(jìn)行: (2cl)將實(shí)驗(yàn)對象的高級特征作為受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)可視單元的輸入特 征; (2c2)隨機(jī)初始化受限玻爾茲曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣W和偏置值b,通過對比差 異⑶算法訓(xùn)練權(quán)值矩陣W和偏置值b ; (2c3)通過吉布斯采樣算法的多次迭代,優(yōu)化權(quán)值矩陣W和偏置值b,完成受限玻爾茲 曼機(jī)RBM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。
【文檔編號】G06K9/46GK104408483SQ201410745713
【公開日】2015年3月11日 申請日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】焦李成, 李玲玲, 韓佳敏, 屈嶸, 楊淑媛, 侯彪, 王爽, 劉紅英, 熊濤, 馬文萍, 馬晶晶 申請人:西安電子科技大學(xué)